blocks|key|1311354|text|尝试librosa库|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1311355|librosa.load(path,+*,+sr=22050,+mono=True,+offset=0.0,+duration=None,+dtype=<class+'numpy.float32'>,+res_type='soxr_hq')|code-block|syntax|javascript|1311356|链接librosa载荷函数|offset|length|1311357|entityMap|0|LINK|mutability|MUTABLE|url|https://librosa.org/doc/main/generated/librosa.load.html^0|0|0|2|B|0|0^^$0|@$1|2|3|4|5|6|7|S|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|T|8|@]|9|@]|A|$E|F]]|$1|G|3|H|5|6|7|U|8|@]|9|@$I|V|J|W|1|X]]|A|$]]|$1|K|3|-4|5|6|7|Y|8|@]|9|@]|A|$]]]|L|$M|$5|N|O|P|A|$Q|R]]]]

try librosa library
<pre><code>librosa.load(path, *, sr=22050, mono=True, offset=0.0, duration=None, dtype=&lt;class 'numpy.float32'&gt;, res_type='soxr_hq')
</code></pre>
link
<a href="https://librosa.org/doc/main/generated/librosa.load.html" rel="nofollow noreferrer">librosa load function</a>

blocks|key|1311450|text|以下是解决您的问题的方法：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1311451|假设您的代码执行如下|1311452|with+sr.Microphone(device_index=device_index,+sample_rate=16000)+as+source:
++++r+=+sr.Recognizer()
++++audio+=+r.listen(source,+timeout=None)|code-block|syntax|javascript|1311453|您需要将音频数据(Recognizer.listen的输出)转换为波形格式的1|offset|length|1311454|audio_data+=+audio.get_wav_data()|1311455|可以转换为int16+2的数组。|1311456|data_s16+=+np.frombuffer(audio_data,+dtype=np.int16,+count=len(audio_data)//2,+offset=0)|1311457|，然后可以将其转换为float32+3.数组。|1311458|float_data+=+data_s16.astype(np.float32,+order='C')+/+32768.0|1311459|然后再用耳语来处理。如果有更快的方法(可能是2和3.的组合)，请告诉我。|1311460|问候|1311461|entityMap|0|LINK|mutability|MUTABLE|url|https://stackoverflow.com/questions/46738569/wav-file-from-microphone-on-python|1|https://stackoverflow.com/questions/66296066/python-3-convert-wave-data-byte-array-to-numpy-array-of-floating-point-values|2|https://stackoverflow.com/questions/42544661/convert-numpy-int16-audio-array-to-float32|3|4^0|0|0|0|12|1|0|0|0|B|1|1|0|0|I|2|2|0|0|M|1|3|O|2|4|0|0^^$0|@$1|2|3|4|5|6|7|1E|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|1F|8|@]|9|@]|A|$]]|$1|D|3|E|5|F|7|1G|8|@]|9|@]|A|$G|H]]|$1|I|3|J|5|6|7|1H|8|@]|9|@$K|1I|L|1J|1|1K]]|A|$]]|$1|M|3|N|5|F|7|1L|8|@]|9|@]|A|$G|H]]|$1|O|3|P|5|6|7|1M|8|@]|9|@$K|1N|L|1O|1|1P]]|A|$]]|$1|Q|3|R|5|F|7|1Q|8|@]|9|@]|A|$G|H]]|$1|S|3|T|5|6|7|1R|8|@]|9|@$K|1S|L|1T|1|1U]]|A|$]]|$1|U|3|V|5|F|7|1V|8|@]|9|@]|A|$G|H]]|$1|W|3|X|5|6|7|1W|8|@]|9|@$K|1X|L|1Y|1|1Z]|$K|20|L|21|1|22]]|A|$]]|$1|Y|3|Z|5|6|7|23|8|@]|9|@]|A|$]]|$1|10|3|-4|5|6|7|24|8|@]|9|@]|A|$]]]|11|$12|$5|13|14|15|A|$16|17]]|18|$5|13|14|15|A|$16|19]]|1A|$5|13|14|15|A|$16|1B]]|1C|$5|13|14|15|A|$16|19]]|1D|$5|13|14|15|A|$16|1B]]]]

Here is a solution to your problem:
Assuming your code goes like
<pre><code>with sr.Microphone(device_index=device_index, sample_rate=16000) as source:
 r = sr.Recognizer()
 audio = r.listen(source, timeout=None)
</code></pre>
you need to convert the audio data (the output of your Recognizer.listen) to wave format <a href="https://stackoverflow.com/questions/46738569/wav-file-from-microphone-on-python">1</a>
<pre><code>audio_data = audio.get_wav_data()
</code></pre>
which can be converted to an array of int16 <a href="https://stackoverflow.com/questions/66296066/python-3-convert-wave-data-byte-array-to-numpy-array-of-floating-point-values">2</a>
<pre><code>data_s16 = np.frombuffer(audio_data, dtype=np.int16, count=len(audio_data)//2, offset=0)
</code></pre>
which can then be converted to an array of float32 <a href="https://stackoverflow.com/questions/42544661/convert-numpy-int16-audio-array-to-float32">3</a>
<pre><code>float_data = data_s16.astype(np.float32, order='C') / 32768.0
</code></pre>
which can then be processed by whisper.
If there is a faster way (maybe a combination of <a href="https://stackoverflow.com/questions/66296066/python-3-convert-wave-data-byte-array-to-numpy-array-of-floating-point-values">2</a> and <a href="https://stackoverflow.com/questions/42544661/convert-numpy-int16-audio-array-to-float32">3</a>), let me know.
Greetings

I'm using the speech recognition Python library to record audio bytes from my microphone in mono at 16khz but I want to use the new Whisper library that accepts NumPy arrays, spectrograms, and file paths. Writing to a file takes too long so I'd like to directly convert the data to an array to pass it to Whisper.

Converting Python Speech Recognition Audio Frame data to a numpy array that can be processed by Whisper?

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

我正在使用语音识别Python库以16 the的单数从我的麦克风记录音频字节，但我想使用接受NumPy数组、光谱图和文件路径的新的Whisper库。写入文件花费的时间太长，所以我想直接将数据转换为数组，将其传递给Whisper。

问将Python语音识别音频帧数据转换为可以由Whisper处理的numpy数组？
EN

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问将Python语音识别音频帧数据转换为可以由Whisper处理的numpy数组？EN

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问将Python语音识别音频帧数据转换为可以由Whisper处理的numpy数组？
EN